CIKM21

1. One Model to Serve All: Star Topology Adaptive Recommender for Multi-Domain CTR Prediction【applied paper，用于多领域CTR预估的自适应推荐】

• 如果是分类簇, 最后在每个个例上可不可以加上整个簇的embedding
• 共有的网络，可以学习不同domain共通的信息，而通过独有的网络，可以捕获每个domain私有的信息
• 数据只有在其对应的domain内被认为是独立同分布的，如果使用相同的均值／方差以及参数, 难以体现不同domain的独有信息，从而使模型效果变差,提出了partitioned normalization，假设当前的batch数据是从第p个domain得到的（训练的时候，一个batch的数据要保证是同一个domain的），那么基于如下的公式对数据进行转化

1. Click-Through Rate Prediction with Multi-Modal Hypergraphs(金星)

2. CBML: A Cluster-based Meta-learning Model for Session-based Recommendation

1.操作数 有限, 冷启动, 难以捕获动态偏好.

2.元学习借助其他用户解决冷启动. 但是, 当前用户行为方面任然很弱.

• 集群的元学习: 软聚类,参数门. 相似会话间共享知识, 保留会话本身特征.
• 两个自注意力块捕捉项目会话转换模式和功能.

1. Self-Supervised Graph Co-Training for Session-based Recommendation

1.在会话推荐的场景下，通过从Item和Session两个视角分别建立两个同质图，代表两种Level。

2.Item Encoder可生成Item Embedding和Session Embedding，Session Encoder只生成Session Embedding.

3.两个Encoder进行Co-Training[参考46，6，54]，具体是其中一Encoder训练完后，依据其训练结果选出正负样本(这个称之为伪标签)传递给另一Encoder，迭代地更新两个Encoder同时生成更富含信息的样本，这也是本文自监督学习的过程

4.最大化的是一个session里last-item和该session预测的next-item之间的互信息

• 为了避免在多轮迭代之后，两个Encoder生成的Embedding过于相似，文中通过设置Divergence Constraint(差异约束)，具体来说是增加了对抗性扰动样本，本文认为如果其中一Encoder能够抵抗(可以认为是识别出)来自另一Encoder的对抗扰动信号，那么他们就能做到不相似。

1. Social Recommendation with Self-Supervised Metagraph Informax Network

2. Expanding Relationship for Cross Domain Recommendation

• 在增强的图上，ReCDR采用了分层注意机制

1. Low-dimensional Alignment for Cross-Domain Recommendation

• 提醒我们可以用低维这个点

1. Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation:

• 开发了基于用户和组级超图的分层超图卷积网络，以模拟组内和组外用户之间的复杂元组相关性。

• 我们设计了一种双尺度节点退出策略来创建自我监控信号，该信号可以针对稀疏性问题对不同粒度的用户表示进行正则化。

1. Xpl-CF: Explainable Embeddings for Feature-based Collaborative Filtering:

• 先验知识将每个用户的嵌入编码为项目嵌入的稀疏线性组合，反之亦然

1. CMML: Contextual Modulation Meta Learning for Cold-Start Recommendation

学习模型的初始参数来解决这个问题, 从而允许从有限的数据示例中快速适应特定的任务

1. Contrastive Curriculum Learning for Sequential User Behavior Modeling via Data Augmentation:

对比课程学习框架,用于生成有效的表示，用于建模连续用户行为

设计了基于模型的数据生成器: 给定一个目标用户，它可以利用融合的属性语义生成更接近真实的序列

• 一种课程学习策略，通过从易到难的学习过程进行对比学习:核心组件是一个可学习的难度评估器，它可以对增强序列进行评分，并将其安排在课程中。在公共数据集和行业数据集上的广泛结果证明了我们的方法对下游任务的有效性。

1. Graph Structure Aware Contrastive Knowledge Distillation for Incremental Learning in Recommender Systems:

• We combine the contrastive distillation formulation with intermediate layer distillation to inject layer-level supervision. (对比学习+蒸馏学习)

1. Distilling Knowledge from BERT into Simple Fully Connected Neural Networks for Efficient Vertical Retrieval:

老师模型为Bert，学生模型为bi-lstm

1. Adversarial Domain Adaptation for Cross-lingual Information Retrieval with Multilingual BERT:

• 通过对抗网络将不同语言的标记嵌入对齐，以帮助语言模型学习跨语言句子表示。

1. Supervised Contrastive Learning for Multimodal Unreliable News Detection in COVID-19 Pandemic:

• 对比学习者与不可靠新闻分类器交互，将相似的可信新闻（或相似的不可靠新闻）推近，同时在多模态嵌入空间中移动内容相似但可信度标签相反的新闻文章: (这个应该是借助对比学习实现的)
• (这个方法从一开始就从原始的多模态数据中挖掘信息, 耗费了很多时间)

1. Multimodal Graph Meta Contrastive Learning

1.但这种表示不能推广到只有少量镜头标记样本的不可见新类

• 为了给图形对比学习赋予泛化能力，本文提出了多模态图形元对比学习（MGMC），它将多模态元学习与图形对比学习相结合。
• MGMC采用了最新的图形对比学习方法，该方法不依赖于增广和反例的构建。
• 真的就只是在对比学习结合元学习, 没有解决什么太特殊的问题, 感觉我们用不了.

1. Meta-Learning Based Hyper-Relation Feature Modeling for Out-of-Knowledge-Base Embedding:

• 我们提出了一种两阶段学习模型，称为超关系特征学习网络（HRFN），用于有效的知识库外嵌入。
• 对于第一阶段，HRFN使用从训练集中学习的超关系特征元学习新兴实体的预表示。提出了一种新的特征聚合网络，该网络包括一个以实体为中心的图卷积网络（GCN）和一个以关系为中心的GCN，用于聚合新实体本身及其邻居的信息。
• 对于第二阶段，基于上述新实体的预表示，使用一个转换学习网络来学习更细粒度的嵌入。

AAAI21

1. Graph Heterogeneous Multi-Relational Recommendation

• 图异构协同过滤
• 在一个多任务学习框架下进行了高级高效的非抽样优化

https://www.bilibili.com/video/BV1wv411E7Jz/

1. Self-Supervised Hypergraph Convolutional Networks for Session-Based Recommendation
2. Dual Sparse Attention Network for Session-Based Recommendation:

1.一种是将最后一次点击视为表示用户当前偏好的查询向量，另一种是考虑会话内的所有项目都有利于最终结果，包括无关项目的影响（即，虚假用户行为）

• 应用自适应稀疏变换函数来消除无关项的影响

1. Fairness-Aware News Recommendation with Decomposed Adversarial Learning:

本文提出了一种基于分解对抗学习和正交正则化的公平新闻推荐方法，可以缓解敏感用户属性带来的新闻推荐不公平

1.本文提出了一种具有公平性意识的新闻推荐方法，该方法采用分解对抗学习和正交正则化的方法，可以缓解敏感用户属性偏差带来的新闻推荐的不公平性。

• 在我们的方法中，我们建议将用户兴趣模型分解为两个组件。一个组件的目标是学习一个能够捕获敏感用户属性上的偏差信息的偏差感知用户嵌入，另一个组件的目标是学习一个无偏差的用户嵌入，该用户嵌入只编码与属性无关的用户兴趣信息，用于公平感知的新闻推荐
• 将属性预测任务应用于有偏见的用户嵌入以增强其偏见建模能力，并将对抗性学习应用于无偏见的用户嵌入以去除其中的偏见信息。

4.我们还提出了一种正交正则化方法，以鼓励无偏差用户嵌入与有偏差感知的嵌入正交，从而更好地区分无偏差用户嵌入和有偏差感知的嵌入。

1. Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation
2. Noninvasive Self-Attention for Side Information Fusion in Sequential Recommendation:

1.我们提出了无创性自我注意机制（NOVA）来有效地利用BERT框架下的边信息。

2.NOVA利用辅助信息来产生更好的注意力分布，而不是直接改变项目嵌入，这可能会导致信息泛滥。

3.在我们的试点实验中，我们发现一些简单的方法，直接将各种类型的辅助信息融合到项目嵌入中，通常带来很少甚至负面的影响。

1. Knowledge-Aware Coupled Graph Neural Network for Social Recommendation
2. Graph-Enhanced Multi-Task Learning of Multi-Level Transition Dynamics for Session-based Recommendation:
3. Deep Transfer Tensor Decomposition with Orthogonal Constraint for Recommender Systems:

• 为了解决迁移过程中存在的负迁移问题，提出了一种跨域张量对齐的深度迁移学习方法

KDD21(~感觉KDD的文章看起来都很厉害, 感觉好硬核 技术和数学)

1. Real Negatives Matter: Continuous Training with Real Negatives for Delayed Feedback Modeling(Alibaba)

2. Learning Reliable User Representations from Volatile and Sparse Data to Accurately Predict Customer Lifetime Value(腾讯)

• 利用历史收入时间序列和用户属性分别学习时间和结构用户表示

• 还采用了一种新的簇对齐正则化方法来对齐和增强这两种表示

3.这种融合方式可以被视为低通表示空间中时间和结构表示的关联，这也有助于防止数据噪声在不同视图之间传输

1. Debiasing Learning based Cross-domain Recommendation(Alibaba)

• 开发了一种基于偶然性的方法，以减轻跨域传输用户信息时的域偏见。

• 本文提出了一种基于debiasing学习的因果嵌入跨域推荐框架。
• 设计了一个新的跨域情境下的逆倾向评分（IPS）估计器，并进一步提出了倾向评分学习的三种限制条件。

1. Adversarial Feature Translation for Multi-domain Recommendation(腾讯)

• 多域推荐（MDR）是为了同时改进所有推荐域而提出的，其关键是从所有域中获取信息性的特定于域的特征。为了解决这个问题，我们提出了一种新的MDR对抗性特征转换（AFT）模型，该模型学习不同领域之间的特征转换,在生成性对抗网络框架下。

• 在多域生成器中，我们提出了一种特定于域的屏蔽编码器来突出域间的特征交互，然后通过转换器和特定于域的注意来聚合这些特征。在多域鉴别器中，我们通过两步特征转换，显式地建模了项目、域和用户的通用/域特定表示之间的关系,通过知识表征学习。

1. Contrastive Learning for Debiased Candidate Generation in Large-Scale Recommender Systems(Alibaba)

1.在本文中，我们从理论上证明了一个流行的对比损失选择相当于通过反向倾向加权来减少暴露偏差，这为理解对比学习的有效性提供了一个新的视角。

2.一种对比学习方法，用于在具有超大候选容量的推荐系统中提高DCG的公平性、有效性和效率

1. Debiasing Learning based Cross-domain Recommendation(Alibaba)

2. Signed Graph Neural Network with Latent Groups(美团)

1.提出了超越平衡理论假设的群符号图神经网络（GS-GNN）符号图表示学习模型。

2.采用了一个更为普遍的假设，即节点可以被划分为多个潜在组，并且这些组可以具有任意关系，并基于该假设提出了一种新的基于原型的GNN来学习节点表示

1. DMBGN: Deep Multi-Behavior Graph Networks for Voucher Redemption Rate Prediction(Alibaba)

2. MugRep: A Multi-Task Hierarchical Graph Representation Learning Framework for Real Estate Appraisal(百度)

1.通过获取和整合多源城市数据，我们首先构建丰富的特征集，从多个角度（例如地理分布、人员流动性分布和居民人口分布）全面分析房地产

2.提出了一个演化的房地产交易图和相应的事件图卷积模块，将房地产交易之间的时空依赖性异步地结合起来

3.为了从居住社区的角度进一步整合有价值的知识，我们设计了一个分层异构社区图卷积模块来捕获居住社区之间的各种相关性

4.引入了一个城区分区多任务学习模块，生成不同分布的房地产价值观

1. Understanding and Improving Fairness-Accuracy Trade-offs in Multi-Task Learning(Google)

1.在多任务学习中，多个任务被联合学习，以利用任务相关性进行更有效的归纳迁移。这呈现了一个多维帕累托边界：（1）每个任务的组公平性和准确性之间的权衡，以及（2）多个任务之间的权衡。

2.更深入地理解群体公平性与多任务学习准确性之间的相互作用，并且我们表明，主要关注优化多任务准确性帕累托边界的传统方法可能无法很好地实现公平性目标

3.提出了一组新的度量标准，以更好地捕捉在多任务学习环境中唯一呈现的公平-准确性权衡的多维帕累托前沿

4.提出了一种多任务感知公平性（MTA-F）方法来提高多任务学习的公平性

1. SEMI: A Sequential Multi-Modal Information Transfer Network for E-Commerce Micro-Video Recommendations(Alibaba)

1.我们设计了一个顺序多模式信息传输网络（SEMI），它利用产品域用户行为来辅助微视频推荐。

2.跨域对比学习（CCL）算法来预训练序列编码器，以模拟用户在这两个域中的序列行为。CCL的目标是最大化不同领域之间的互信息下限。

1. Curriculum Meta-Learning for Next POI Recommendation

• 我们提出了一个新的课程硬度感知元学习（CHAML）框架，该框架将硬样本挖掘和课程学习整合到元学习范式中。

• 具体地说，CHAML框架考虑了城市层面和用户层面的硬度，以增强元训练期间的条件抽样，并为城市抽样池使用了一个容易到难的课程，以帮助元学习者收敛到更好的状态。

1. Topology Distillation for Recommender System

1.采用了知识提取（knowledge Destruction）技术，这是一种模型压缩技术，它利用预先训练过的大型教师模型传递的知识来训练紧凑的学生模型。

• 本文提出了一种新的拓扑提取方法，通过在教师空间中传递建立在关系基础上的拓扑结构来指导学生。

3.简单地让学生学习整个拓扑结构并不总是有效的，甚至会降低学生的表现。我们证明，由于学生的能力与教师相比非常有限，因此学习整个拓扑结构对学生来说是令人望而生畏的。为了解决这个问题，我们提出了一种新的分层拓扑提取（HTD）方法，该方法通过对拓扑进行分层提取来应对大的容量缺口。

1. Multi-view Denoising Graph Auto-Encoders on Heterogeneous Information Networks for Cold-start Recommendation

2. A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps

3. Architecture and Operation Adaptive Network for Online Recommendations

4. Modeling the Sequential Dependence among Audience Multi-step Conversions with Multi-task Learning in Targeted Display Advertising

1.提出了一个自适应信息传输多任务（AITM）框架，该框架通过自适应信息传输（AIT）模块对受众多步转换之间的顺序依赖性进行建模

2.可以自适应地了解在不同转换阶段传输什么信息以及传输多少信息

1. Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertising

2. Adversarial Feature Translation for Multi-domain Recommendation

1.多域推荐是为了同时改进所有推荐域而提出的，其关键是从所有推荐域中获取特定于领域的信息特征。

2.提出了一种新的MDR对抗性特征转换（AFT）模型，该模型在生成的对抗性网络框架下学习不同领域之间的特征转换。

3.在多域生成器中，我们提出了一种特定于域的屏蔽编码器来突出域间的特征交互，然后通过转换器和特定于域的注意来聚合这些特征。

4.在多领域鉴别器中，受知识表示学习的启发，我们通过两步特征转换明确地建模了项目、领域和用户的通用/领域特定表示之间的关系。

5.我们通过两步特征转换明确地建模了项目、领域和用户的通用/领域特定表示之间的关系

1. Socially-Aware Self-Supervised Tri-Training for Recommendation

1.以往对比学习: 在两个不同视图中的节点之间建立的，这意味着忽略了来自其他节点的自我监控信号。

• 2.首先使用用户社交信息来增强用户数据视图。
• 3.在多视图编码的tri训练机制下，该框架在增强视图的基础上构建了三个图编码器（一个用于推荐），并使用其他两个编码器生成的来自其他用户的自我监督信号对每个编码器进行迭代改进。由于tri训练在相同数据源的增强视图上运行，因此我们将其命名为自监督tri训练。

Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommender System

SIGIR21

1. A General Method For Automatic Discovery of Powerful Interactions In Click-Through Rate Prediction

1. Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction

1. Explicit Semantic Cross Feature Learning via Pre-trained Graph Neural Networks for CTR Prediction

1. Enhanced Graph Learning for Collaborative Filtering via Mutual Information Maximization

1. Dual Attention Transfer in Session-based Recommendation with Multi Dimensional Integration

1. Package Recommendation with Intra- and Inter-Package Attention Networks

1. The World is Binary: Contrastive Learning for Denoising Next Basket Recommendation

1. Lighter and Better: Low-Rank Decomposed Self-Attention Networks for Next-Item Recommendation

1. Joint Knowledge Pruning and Recurrent Graph Convolution for News Recommendation

1. Empowering News Recommendation with Pre-trained Language Models

1. AMM: Attentive Multi-field Matching for News Recommendation

1. RMBERT: News Recommendation via Recurrent Reasoning Memory Network over BERT

1. Federated Collaborative Transfer for Cross-Domain Recommendation

1. Learning Domain Semantics and Cross-Domain Correlations for Paper Recommendation

1.研究跨学科语义相关性??

2.跨学科的语义相关性由影响函数、相关性度量和排序机制表示: 感觉又不是很厉害, 又有很高的时间复杂度??

3.top-k related cross-domain??

4.(无用)

1. Graph Meta Network for Multi-Behavior Recommendation with Interaction Heterogeneity and Diversity

1. Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users

1. ConsisRec: Enhancing GNN for Social Recommendation via Consistent Neighbor Aggregation

1. Structured Graph Convolutional Networks with Stochastic Masks for Recommender Systems

1. Self-supervised Graph Learning for Recommendation

1. Variational Autoencoders for Top-K Recommendation with Implicit Feedback

1. Info-flow Enhanced GANs for Recommender

1. Learning Recommender Systems with Implicit Feedback via Soft Target Enhancement

1. Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction

1. FORM: Follow the Online Regularized Meta-Leader for Cold-Start Recommendation

1. Decoupling Representation and Regressor for Long-Tailed Information Cascade Prediction

(没找到, 放弃治疗)

1. Evaluation measures based on preference graphs

1. Retrieving Complex Tables with Multi-Granular Graph Representation Learning

1. Meta-Inductive Node Classification across Graphs

1. WGCN: Graph Convolutional Networks with Weighted Structural Features

1.感觉就是GCN的过程加了 有向图 出度和入度

2.(对我们应该没用)

1. GilBERT: Generative Vision-Language Pre-Training for Modality-Incomplete Visual-Linguistic Tasks

1.任务是图像文本检索: 图像-文本检索中的自然模态不完全性

2.(感觉我们应该用不到)

1. Hierarchical Cross-Modal Graph Consistency Learning for Video-Text Retrieval

(没找到, 放弃治疗)

WWW21

1. Self-Supervised Learning of Contextual Embeddings for Link Prediction in Heterogeneous Networks

1. SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism

1. On the Equivalence of Decoupled Graph Convolution Network and Label Propagation

1. Rumor Detection with Field of Linear and Non-Linear Propagation

1. Multi-level Connection Enhanced Representation Learning for Script Event Prediction

1. Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation

1. Bidirectional Distillation for Top-K Recommender System

1. Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation

1. High-dimensional Sparse Embeddings for Collaborative Filtering

1. Rabbit Holes and Taste Distortion: Distribution-Aware Recommendation with Evolving Interests

1. User Simulation via Supervised Generative Adversarial Network

1. TG-GAN: Continuous-time Temporal Graph Deep Generative Models with Time-Validity Constraints

1. Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources

1. Completing Missing Prevalence Rates for Multiple Chronic Diseases by Jointly Leveraging Both Intra- and Inter-Disease Population Health Data Correlations

1. Self-Supervised Multi-Channel Hypergraph ConvolutionalNetwork for Social Recommendation

1.超图可以提供一种自然的方式来对高阶关系进行建模。

2.通过利用高阶用户关系提出了多频道超图卷积网络来加强社交推荐。

Recsys2021

1. EX3: Explainable Attribute-aware Item-set Recommendations

1. Towards Source-Aligned Variational Models for Cross-Domain Recommendation

1. Semi-Supervised Visual Representation Learning for Fashion Compatibility

1. Tops, Bottoms, and Shoes: Building Capsule Wardrobes via Cross-Attention Tensor Network

1. Matrix Factorization for Collaborative Filtering Is Just Solving an Adjoint Latent Dirichlet Allocation Model After All

1. Together is Better: Hybrid Recommendations Combining Graph Embeddings and Contextualized Word Representations